CryoETGAN: Cryo-Electron Tomography Image Synthesis via Unpaired Image Translation.
CryoETGAN: Cryo-Electron Tomography Image Synthesis via Unpaired Image Translation.
复制标题
DOI：
10.3389/fphys.2022.760404
复制
发表时间：
2022
影响因子：
4
通讯作者：
Xu M
中科院分区：
文献类型：
--
作者：
Wu X;Li C;Zeng X;Wei H;Deng HW;Zhang J;Xu M
冷冻电子断层扫描（Cryo-ET）被认为是结构生物学的一次革命，可以揭示分子社会学。其前所未有的质量使其能够以纳米分辨率显示具有天然构象的细胞器和大分子复合物。受纳米技术和机器学习发展的推动，建立用于Cryo-ET图像分析的分类、检测和平均等机器学习方法激发了广泛的兴趣。然而，用于生物医学成像的基于深度学习的方法通常需要大的标记数据集才能获得良好的结果，由于获取和标记训练数据的成本，这可能是一个巨大的挑战。为了解决这个问题，我们提出了一个生成模型来有效和可靠地模拟Cryo-ET图像：CryoETGAN。这种循环一致的Wasserstein生成对抗网络（GAN）能够生成与原始实验数据相似的图像。对生成的图像进行定量和视觉分级的结果表明，与以前最先进的模拟方法相比，我们所提出的方法的结果具有更好的性能。此外，CryoETGAN训练稳定，能够生成多样化的图像样本。
Cryo-electron tomography (Cryo-ET) has been regarded as a revolution in structural biology and can reveal molecular sociology. Its unprecedented quality enables it to visualize cellular organelles and macromolecular complexes at nanometer resolution with native conformations. Motivated by developments in nanotechnology and machine learning, establishing machine learning approaches such as classification, detection and averaging for Cryo-ET image analysis has inspired broad interest. Yet, deep learning-based methods for biomedical imaging typically require large labeled datasets for good results, which can be a great challenge due to the expense of obtaining and labeling training data. To deal with this problem, we propose a generative model to simulate Cryo-ET images efficiently and reliably: CryoETGAN. This cycle-consistent and Wasserstein generative adversarial network (GAN) is able to generate images with an appearance similar to the original experimental data. Quantitative and visual grading results on generated images are provided to show that the results of our proposed method achieve better performance compared to the previous state-of-the-art simulation methods. Moreover, CryoETGAN is stable to train and capable of generating plausibly diverse image samples.
登录
查看更多内容
影响因子：
5.4
作者：
Gupta, Harshit;McCann, Michael T.;Unser, Michael
通讯作者：
Unser, Michael
哪个 GAN？
DOI：
10.1098/rsta.2020.0203
发表时间：
2021-06-28
影响因子：
5
作者：
Lv, Jun;Zhu, Jin;Yang, Guang
通讯作者：
Yang, Guang
影响因子：
3
作者：
Bartesaghi, A.;Sprechmann, P.;Subramaniam, S.
通讯作者：
Subramaniam, S.
影响因子：
64.8
作者：
Basler M;Pilhofer M;Henderson GP;Jensen GJ;Mekalanos JJ
通讯作者：
Mekalanos JJ
FA-GAN：用于 MRI 图像超分辨率的融合注意力生成对抗网络
DOI：
10.1016/j.compmedimag.2021.101969
发表时间：
2021-09
期刊：
Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
影响因子：
--
作者：
Jiang M;Zhi M;Wei L;Yang X;Zhang J;Li Y;Wang P;Huang J;Yang G
通讯作者：
Yang G